انجمن کامپیوتر ایران

اقتباس از آثار علمی دیگران بدون ارجاع صحیح به آنها را دستبرد علمی می‌نامند که کشف خودکار انواع این سوء استفاده‌ها‌ همواره مورد توجه محققین بوده است. در این مقاله روشی جهت کشف دستبرد علمی ارائه شده است که یک روش مبتنی بر بازیابی اطلاعات است. در این روش ما از یک شیوه بازیابی اطلاعات مبتنی بر خوشه‌بندی استفاده کرده‌ایم و در آزمایشات نشان دادیم در سیستم‌های کشف دستبرد علمی، استفاده از شیوه‌های بازیابی اطلاعات مبتنی بر خوشه‌بندی می‌تواند بسیار کاربردی‌تر از شیوه‌های دیگر بازیابی اطلاعات باشد. همچنین در این الگوریتم معیاری برای رتبه‌بندی اسناد بازیابی شده، ارائه شده است. نتایج آزمایشات نشان می‌دهد با استفاده از این معیار، سند مورد نظر در 91% موارد در فهرست اسناد رتبه‌بندی شده با رتبه کمتر از پنج حضور دارد. روش کشف دستبرد علمی پیشنهادی قادر به کشف انواع کپی‌برداری‌های دقیق و کپی‌برداری با تغییرات مانند جابجایی جملات، حذف و درج جملات، جایگزینی کلمات با مترادف‌هایشان و ترکیب بخش‌های کپی شده با یکدیگر است. این سیستم قابل توسعه به انواع کپی‌برداری‌های هوشمندانه نیز می‌باشد. در روش پیشنهادی علاوه بر متن اسناد، تصاویر موجود در آنها نیز در رتبه‌بندی اسناد مؤثر خواهند بود. نتایج ارزیابی سیستم پیشنهادی، نشان می‌دهد که در این سیستم برای کپی‌برداری‌های تحت الفظی، میانگین رتبه سند منبع، پنج می‌باشد.

شبکه‌های عصبی عمیق دارای کاربردهای فراوانی در پردازش گفتار می‌باشند. در صورتی که این شبکه‌ها به صورت تصادفی مقداردهی اولیه شوند به جواب درست همگرا نخواهند شد، چراکه دارای تعداد پارامترهای فراوانی می‌باشند. روش‌هاي متعددي براي پيش-تعلیم شبكه‌های عصبي عميق مطرح شده است که باعث همگرا شدن شبکه می‌شوند. پيش-تعلیم شبكه‌های عصبي مي‌تواند هم بر مبناي شبكه باور عميق و هم ماشين بولتزمان عميق انجام گيرد. در این مقاله شبکه عصبی عمیق با روش پیش-تعلیم جدیدی که بر مبنای ماشين بولتزمان عميق می‌باشد، آموزش می‌بیند. در نهايت خروجي شبكه عصبي پس از پيش-تعلیم توسط روش ارائه شده، برای طبقه بندی واج‌ها مورد استفاده قرار می‌گیرد. نتايج تجربي بر روي دادگان گفتار تیمیت بیانگر آن است که روش ارائه شده براي كاربردهاي بازشناسي واج مناسب می باشد. همچنین آزمایشات نشان داده است که روش‌ ارائه شده بر مبنای ماشين بولتزمان عميق به كاهش خطاي عمومي سيستم و افزايش كارائي آن كمك مي‌كند و از طرفی باعث همگرائی سریع‌تر شبکه عصبی عمیق می‌شود.

مدل رایانش ابری نیازهای سطح زیرساخت تا نرم‌افزار را به عنوان خدمت ارائه می‌دهد. یکی از مهمترین چالش‌های این فن‌آوری داشتن صرفه‌ی اقتصادی و سود‌آوری بالا برای ارائه‌دهندگان خدمات ابری است. با توجه به ویژگی کشسانی رایانش ابری، امکان پرداخت به ازای استفاده برای هر خدمت فراهم می‌شود. لیکن، اگر منابع کمتر از نیاز بارکاری تخصیص یابند دسترس‌پذیری خدمت کاهش یافته و طبق توافق‌نامه‌ی سطح خدمت، ارائه‌دهنده باید جریمه پرداخت کند و اگر دسترس‌پذیری بیش از نیاز مشتری باشد، منجر به افزایش هزینه‌های ارائه‌دهنده‌ی خدمت می‌شود. در این مقاله، با توجه به ویژگی‌های کشسانی خودکار و پرداخت به ازای استفاده‌ی رایانش ابری و دسترس‌پذیری در توافق‌نامه‌ی سطح خدمت، یک الگوریتم ابتکاری برای تخصیص پویای منابع به خدمات نرم‌افزار ابری به منظور بیشینه کردن سود ارائه‌دهنده‌ی خدمات زیرساخت ابری ارائه گردیده است. نتایج آزمایشاتی که بر روی داده‌های واقعی صورت گرفته، نشان می‌دهد که الگوریتم ارائه شده در مقایسه با الگوریتم ژنتیک، زمان اجرای کوتاهتر و مقیاس‌پذیری دارد به طوری که برای یک بازه‌ی زمانی در مقیاس چند دقیقه امکان کشسانی خودکار به شیوه‌ی کارآمد مهیا می‌گردد. همچنین، این الگوریتم با تعیین تخصیص بهینه، سودی برابر و در برخی حالات بیشتر از الگوریتم ژنتیک برای ارائه‌دهنده‌ی خدمات ابری در پی دارد.

این مقاله به مساله شناسایی جریان‌های فیل‌آسا در شبکه‌های کامپیوتری می‌پردازد. به دلیل اینکه شناسایی این نوع از جریان‌ها باید به صورت برخط انجام شود، ارائه الگوریتمی بسیار کارا و سریع برای شناسایی این جریان‌ها بسیار ضروری می‌باشد. الگوریتم ارائه شده دارای ساختاری موازی تصادفی است. به عبارت دیگر برای حل مساله از رویکرد تصادفی بر مبنای الگوریتم موازی با معماری هرم استفاده شده است. مرتبه زمانی الگوریتم ارائه شده در مرحله تحلیل بسته‌ها O(1) و در مرحله ادغام نتایج و بازنشانی ساختمان داده O(lg n) است. بهبود عملکرد الگوریتم چه از نظر کاهش میزان خطای شناسایی جریان‌های فیل‌آسا چه از نظر کاهش فرکانس ساز و کار بازنشانی با آزمایش بر روی داده‌های نمونه مورد ارزیابی و تایید قرار گرفته است.

سیستم‌های پرسش‌و‌پاسخ، زیرشاخه‌ای از علوم پردازش زبان طبیعی و بازیابی اطلاعات محسوب می‌شوند که در چند دهه‌ اخیر مورد علاقه زیاد محققین قرار‌گرفته‌اند و پیشرفت‌های قابل‌توجه‌ای در این زمینه، بخصوص در زبان انگلیسی انجام شده‌است. با توجه به رشد فزاینده‌ علاقه‌مندی به این زمینه‌ پژوهشی، نیاز به در اختیار داشتن منابع داده‌ای مناسب برای آن، به خوبی احساس می‌شود. در این مقاله، مراحل کامل توسعه‌ یک پیکره پرسش و پاسخ با نام رسائل و مسائل در زبان فارسی شرح داده خواهد شد. می‌توان اظهار کرد که این پیکره در نوع خود، اولین پیکره مربوط به پرسش و پاسخ با چنین ویژگی‌هایی برای زبان فارسی است. این پیکره شامل 2,118 سوال غیرحقیقت و 2,051 سوال حقیقت است که می‌تواند برای یادگیری کلیه مولفه‌های سیستم‌های پرسش و پاسخ شامل دسته‌بندی سوال، بازیابی اطلاعات و استخراج پاسخ، به صورت رایگان مورد استفاده عموم قرار گیرد.

شبکه موردی سیار مجموعه‌ای از نودهای متحرک است که با استفاده از ارتباطات بی‌سیم به تبادل اطلاعات می‌پردازند. هر نود ارسال کننده داده ممکن است به علت بار ترافیک سنگین دچار اردحام شود. رخداد این امر باعث افزایش تعداد بسته‌های حذف شده در سطح شبکه، طولانی‌تر شدن تاخیر دریافت بسته‌ها در مقصد و عدم بهره برداری مناسب از منابع شبکه می‌شود. بنابراین جهت مقابله با پدیده ازدحام، طراحی پروتکل‌های مسیریابی که علاوه بر انجام رسالت ارسال داده بین مبدا و مقصد، دارای مکانیزمی‌جهت پیشگیری و کنترل ازدحام هستند، اهمیت دارد. در این رابطه می‌توان به پروتکل DCDR اشاره کرد که یک پروتکل مسیریابی با قابلیت کنترل ازدحام در شبکه های سیار موردی می‌باشد. این پروتکل جهت پیش‌بینی و جلوگیری از وقوع ازدحام از یک مکانیزم کنترل ازدحام مناسب، براساس تخمین میانگین طول صف در هر نود استفاده می‌کند، اما فاقد مکانیزم مناسب جهت کنترل و کاهش نرخ بسته‌های حذف شده در لایه داده، به هنگام خرابی کانال می‌باشد. در این پژوهش پروتکل مسیریابی DCLFDR جهت کنترل ازدحام در لایه شبکه و کنترل نرخ بسته‌های حذف شده در لایه داده پیشنهاد می‌شود. نتایج شبیه‌سازی نشان می‌دهد که پروتکل DCLFDR نسبت به DCDR، در معیارهای تاخیر انتها‌به‌انتها و نسبت تحویل داده دارای عملکرد بهتری است.

In this paper, a new method for quantitative evaluation of the security of cyber-physical systems (CPSs) is proposed. The proposed method models the different classes of adversarial attacks against CPSs, including cross-domain attacks, i.e., cyber-to-cyber and cyber-to-physical attacks. It also takes the secondary consequences of attacks on CPSs into consideration. The intrusion process of attackers has been modeled using attack graph and the consequence estimation process of the attack has been investigated using process model. The security attributes and the special parameters involved in the security analysis of CPSs, have been identified and considered. The quantitative evaluation has been done using the probability of attacks, time-to-shutdown of the system and security risks. The validation phase of the proposed model is performed as a case study by applying it to a boiling water power plant and estimating the suitable security measures.

در اين مقاله، قوی ترین الگوریتم کدگذاری متااسپلویت در معماری x86 مورد تحلیل و واکاوی قرار گرفته است. الگوریتم کدگذاری x86/shikata_ga_nai که یک الگوریتم چندچهره است، به عنوان قوی ترین الگوریتم کدگذاری در بین سایر الگوریتم های متااسپلویت در معماری x86 معرفی شده است. با تحلیل و واکاوی این الگوریتم به یک امضا دست یافتیم که بنابر نتایج آزمون های ذکر شده، دارای درصد دقت تشخیص کامل و با نرخ هشدار غلط بسیار پایین می باشد.

در اين مقاله، روشي پيشنهاد شده است که با حملات اشکال در الگوريتم استاندارد رمزنگاري پيشرفته (AES) مقابله مي کند. اين روش با بکارگيري افزونگي هاي اطلاعاتي و زماني براي زيربخش هاي خطي و غيرخطي الگوريتم استاندارد رمزنگاري پيشرفته، هر يک از اين زيربخش ها را در برابر حمله اشکال محافظت مي کند. در روش پیشنهادی با استفاده از کدگذاري پريتي در موقعيت هاي بيتي که بيشترين قدرت تشخيص را فراهم مي آورند و تنها با استفاده از 8، 16 يا 32 بيت پريتي زيربخش هاي خطي الگوريتم رمزنگاري محافظت شده اند. همچنین از افزونگي زماني براي اجراي معکوس و محافظت زيربخش جانشاني بايت که يک عمل غيرخطي است استفاده شده است تا 100 درصد اشکالات رخ داده در اين زيربخش قابل تشخيص باشند. براي ارزيابي قدرت تشخيص روش پيشنهادي، الگوريتم رمزنگاري استاندارد پيشرفته را توسط زبان توصيف سخت افزار VHDL پياده سازي کرديم و با تزريق تصادفي گستره وسيعي از اشکالات گذراي چندگانه که مهم ترين مدل اشکال براي حملات اشکال هستند، ميزان تشخيص روش پيشنهادي را اندازه گيري کرديم. نتايج نشان دادند که روش پيشنهادي مي تواند بسته به اشکالات تزريق شده 4/99 تا 100 درصد از اشکالات تزريق شده را تشخيص دهد. مقايسه نتايج بدست آمده با ديگر روش هاي ارائه شده مشخص مي کند که روش پيشنهادي توانسته است تا 53 درصد از اشکال هاي کشف نشده توسط ساير روش ها را تشخيص دهد و بهبود بخشد.

گسترش رسانه های اجتماعی آنلاین و افزایش تمایل کاربران و مشتریان به انتشار عقاید و نظرات خود در محیط وب، فرصتی ارزشمند برای سازمان ها جهت بررسی تمایلات و ترجیحات مشتریان و همچنین ارزیابی شهرت نام های تجاری است. هدف اصلی در این پژوهش ارائه روشی نوین جهت سنجش و رتبه بندی شهرت نام های تجاری با استفاده از روش تحلیل احساسات در شبکه ی اجتماعی توییتر است. در این پژوهش استخراج و طبقه بندی نظرات و عقاید کاربران با بهره گیری از رویکردهای ترکیبی مبتنی بر لغت نامه، الگوریتم های یادگیری ماشین و نیز روش های پردازش زبان طبیعی انجام می گیرد. نتایج نشان می دهد الگوریتم های Naïve Bayes و Support Vector Machine با انتخاب ویژگی های Tri-grams و TF بهترین عملکرد را در میان مدل های مورد آزمون داشته اند. همچنین به کارگیری مقادیر مختلف پارامتر جریمه به منظور حل مشکل ماتریس پراکنده در داده های متنی کلان, سبب افزایش کارآیی در الگوریتم های مورد استفاده شده است. نوآوری اصلی این پژوهش به کارگیری روش خودکار تحلیل احساسات و استفاده از نظرات و عقاید کاربران در شبکه های اجتماعی جهت ارزیابی و طبقه بندی شهرت نام های تجاری است. همچنین ارتقای معیارهای ارزیابی طبقه بندی کننده ها در مقایسه با مدل های پیشین تحلیل احساسات و استفاده از مجموعه ای کارآمد از ویژگی ها، از جمله سایر دست آوردهای این تحقیق می باشد.

در شبکه های نظیر به نظیر غیرساخت یافته برخلاف شبکه های ساخت یافته ساختار شبکه از پیش مشخص نیست بنابراین محل قرارگیری گره ها کاملا مستقل از توپولوژی شبکه می باشد و گره ها اطلاعاتی در رابطه با وضعیت شبکه ندارند پس روشی که برای جستجو در این شبکه ها به کار می رود در بازدهی کل شبکه تاثیر زیادی دارد. در این مقاله برای بهبود جستجو در شبکه های نظیر به نظیر غیرساخت یافته، الگوریتم جستجوی آگاهانه ای مبتنی بر اتوماتای یادگیر مطرح شده است. این الگوریتم بر خلاف روش های قبلی جستجو در شبکه های نظیر به نظیر غیرساخت یافته، محتویات اشیا را در نظر می گیرد. روش پیشنهادی از نظر تعداد اشیا کشف شده به ازای هر درخواست و میزان سرباری که به شبکه تحمیل می کند با روش های K-walker random walk ،APS و DS مقایسه شده است. شبیه سازی ها نشان می دهند که روش پیشنهادی با توجه به دو معیار مطرح شده بهتر از روش های قبلی عمل می کند.

دسته‌بندی بسته، به‌عنوان یکی از وظایف کلیدی مسیریاب‌ها و دیواره‌های آتش نوین، با توجه به افزایش نرخ لینک و حجم ترافیک با چالش جدی در کارایی مواجه است. یکی از راه‌های افزایش کارایی الگوریتم‌های دسته‌بندی بسته‌، استفاده از پردازنده‌های چندهسته‌ای برای موازی‌سازی آن‌ها است. الگوریتم درخت سلسله‌مراتبی، یکی از الگوریتم‎های مهم در دسته بندی بسته ها بر اساس درخت تصمیم است. در این الگوریتم از آدرس IP مبدأ و آدرس IP مقصد برای ساختن درخت تصمیم گیری استفاده می‌شود. در این مقاله با استفاده از کتابخانه های موازی‌سازی Thread ،PPL،Open MP و TBB، الگوریتم درخت سلسله مراتبی را بر روی پردازنده‌های چندهسته‌ای پیاده سازی نموده ایم. نتایج ارزیابی این الگوریتم در همه بسترهای فوق الذکر و با مجموعه فیلترها و بسته های آزمون متنوع، حاکی از بهبود کارایی آن از نقطه‌نظر معیارهای مختلف نظیر گذرداد و تسریع می باشد. همچنین، نتایج نشان می دهد بیشترین گذرداد دسته بندی بسته ها در نسخه موازی شده با TBB و حدود 45/5 میلیون بسته در ثانیه است.

تا کنون راهکارهای زیادی برای ارتباطات بین سیستم‌های نرم افزاری مطرح گردیده که ترکیب سرویس‌ها یکی از این روش‌ها است. با توجه به رشد روز افزون و فراگیر معماری سرویس گرا و سیستم‌های تحت وب، انتخاب وب سرویس‌های مناسب و نحوه ترکیب آن‌ها مسئله‌ای حائز اهمیت است. بدیهی است که با توجه به نیازهای کنونی سیستم‌ها و اهمیت سرعت و دقت در جریان امور استفاده از عوامل هوشمند مورد نیاز بوده و کیفیت و بازدهی را به حداکثر می‌رساند. به همین دلیل مطالعه در مورد وب سرویس‌ها و ترکیب آن‌ها بر اساس عامل‌های هوشمند بسیار ضروری و مورد توجه می‌باشد. نظر به اهمیت در دسترس پذیری و پاسخ گویی بدون وقفه در سیستم‌های تحت وب، ایجاد چندین ترکیب بهینه می‌تواند مؤثر واقع ‌شود. بنابراین در این مقاله سعی بر آن گردیده است که روشی مناسب برای ترکیب سرویس‌های اتمیک بر مبنای عوامل با لحاظ نمودن پارامتر کیفیت سرویس به کار گرفته شود. این روش با استفاده از الگوریتم Top-k و ساختار موازی آن می‌تواند چندین راه حل مناسب به دست آورد تا در مواقع لزوم از قابلیت جایگزینی این راه حل‌ها به جای بهترین ترکیب استفاده نماید. همچنین فیلتر نمودن داده‌ها قبل از ایجاد ترکیب در داده‌هایی با مقیاس بزرگ، مجموعه سرویس‌های انتخابی را کاهش می‌دهد. بنابراین نتایج حاصل از تحلیل و ارزیابی روش پیشنهادی، بهینه سازی مطلوبی در زمان اجرا و مصرف حافظه نمایان می‌سازد.

نگهداری نرم‌افزار یکی از اصلی‌ترین فازهای تولید نرم‌افزار است و نیازمند تخصص، و صرف هزینه و زمان نسبتاً زیادی است. این فاز به دلیل مشکلاتی چون زیاد بودن حجم کد، نقص مستندات یا عدم به‌روز بودن آن‌ها عموماً پیچیده و ناکارآمد است. یکی از فعالیت‌های چالش‌برانگیز فاز نگهداری نرم‌افزار، یافتن چگونگی پیاده‌سازی مفاهیم مختلف در متن برنامه آن سیستم نرم‌افزاری است. واژه‌ی مفهوم در اینجا به معنی یک کارکرد خاص از سیستم است که مورد نیاز کاربر و برنامه‌ساز است. به عنوان مثال، چگونه دسترسی به اطلاعات GPS را در یک برنامه اندروید پیاده‌سازی نماییم. از آنجا که کدی که یک مفهوم خاص را پیاده‌سازی می‌کند، در طول برنامه پخش می‌باشد و با کدهایی که دیگر مفاهیم را پیاده‌سازی می‌کنند، در هم تنیده می‌باشد، پیداکردن کد مورد نظر در برنامه‌های بزرگ اغلب کار بسیار مشکلی می‌باشد. بدین جهت، روش های گوناگونی در مهندسی نرم‌افزار برای این منظور مطرح شده است. در این مقاله، ابتدا به طور خلاصه به بررسی روش‌های موجود برای یافتن چگونگی پیاده‌سازی مفاهیم نرم‌افزاری می‌پردازیم. در ادامه، محدودیت‌ها و ویژگی‌های نرم‌افزارهای اندروید و تأثیر آن‌ها در یافتن مفاهیم نرم‌افزاری را مورد بررسی قرار می‌دهیم. سپس، با استفاده از این ویژگی‌ها، روشی ایستا را برای یافتن مفاهیم نرم‌افزارهای سیستم عامل اندروید که توسط توسعه‌ی دهنده‌ی این سیستم عامل عرضه شده است را ارائه می‌دهیم. در این روش، بر روی مشخصات معماری نرم‌افزارهای اندروید و کتابخانه‌های استاندارد آن تمرکز شده است تا روشی اختصاصی، با دقت قابل قبول و بهبود یافته ارائه گردد. در انتها، برای ارزیابی بهتر روش ارائه‌شده، کارایی آن بر روی چند نرم‌افزار متن باز اندروید مورد بررسی قرار می‌گیرد.

در دنیای امروز که عصر سرعت می‌باشد، نیاز به طراحی پایگاه داده تحلیلی خودکار به چشم می‌خورد. این طراحی خودکار موجب سرعت بخشیدن به تحلیل داده‌های حجیم شرکت‌ها و سازمان‌ها می‌گردد. همچنین تصمیم‌گیری‌ها نیز مبتنی بر این تحلیل اتخاذ می‌گردند. به‌منظور طراحی خودکار پایگاه داده تحلیلی، لازم است تا جداول حقیقت و ابعاد، با توجه به پایگاه داده پیدا شوند. برای یافتن خودکار جداول حقیقت و ابعاد، روش‌های اکتشافی گوناگونی مطرح‌ شده‌اند. در این مقاله روشی مرکب برای یافتن جداول حقیقت و ابعاد در مدل مفهومی پیشنهاد می‌گردد. روش مرکب، روشی است که هم نیاز کاربر را در برمی‌گیرد و هم با توجه به منابع داده‌ای به دنبال حقیقت و ابعاد می‌گردد. روش ارائه‌ شده در این مقاله با استفاده از نیازهای کاربر که در قالب پرس‌وجو ارائه‌ شده است، به همراه پرس‌و‌جو‌هایی که پیش ‌از این به منابع داده‌ای اعمال‌ شده‌اند، جداول حقیقت و ابعاد را در مدل مفهومی شناسایی می‌کند. به این منظور در ابتدا با استفاده از هریک از روش‌ها به‌صورت جداگانه، شناسایی جداول حقیقت و ابعاد صورت می‌گیرد، سپس با یک روش وزن‌دار حقیقت و ابعاد نهایی مشخص می‌گردند. با توجه به اعمال مطالعه موردی بر روی روش پیشنهادی و نتایج به دست‌ آمده از آن، سرعت این روش در مشخص کردن جداول حقایق و ابعاد نسبت به روش‌های دیگر بیشتر می‌باشد. همچنین صحت جداول مشخص شده با روش دستی مقایسه گردیده‌ است و مورد تایید می‌باشد.

از وظايف اصلی پردازنده‌های شبکه‌ای دسته‌بندي بسته‌ها می‌باشد. اين فرآيند خودکار، جريان هاي ترافيکي شبکه را براساس پارامترهاي متعدد از جمله آدرس فرستنده و گيرنده دسته بندي مي‏نمايد. هر چند، تسريع الگوريتم هاي دسته‌بندي بسته‏ ها از طريق پياده‌سازي سخت‌افزاري آنها ممکن است، اين راه‌حل‌ هزينه بالا و توسعه‌پذيري محدودي دارد. در مقابل، روش‌هاي نرم‌افزاري که اين مشکلات را برطرف مي‌کنند، سرعت پائيني دارند. يک ايده کليدي براي رفع اين مشکل، موازي‏ سازي دسته بندي بسته‏ ها مي‏ باشد. در اين پژوهش، الگوريتم‏ هاي جستجوي فضاي چندتايي و فضاي هرس ‏شده به چهار روش Thread ،PPL،OpenMP و TBB بر روی پردازنده های چندهسته ای موازي‏ سازی شده ‏اند. پیاده سازی نسخه های موازی شده الگوریتم های انتخابی روی بسترهای چهارگانه مذکور و ارزیابی آن ها به کمک مجموعه قوانین و بسته های آزمون، نشان دهنده بهبود کارایی آنها در هر چهار روش است. همچنین، نتایج نشان می دهد بیشترین تسریع دسته بندی بسته ها در نسخه موازی شده با TBB و حدود 91/7 می باشد.

مدل ترکيبي فرآيند ديريکله روشي قدرتمند براي خوشه‌بندي داده و تخمين تعداد خوشه‌ها بصورت همزمان است. اين مدل يک ترکيب سلسله مراتبي از فرآيندهاي ديريکله محسوب مي‌شود. فرآيند ديريکله توسط دو مولفه تعريف مي‌شود: 1) پارامتر تمرکز و 2) يک توزيع پايه پيوسته. اگر از فرآيند ديريکله نمونه‌برداري شود، هر نمونه خود يک توزيع است. در مدل ترکيبي فرآيند ديريکله بايد يک توزيع پارامتري براي نمونه داده‌ها تعريف کرده و مقدار اين پارامتر را با نمونه‌برداري از فرآيند ديريکله بدست آورد. مقدار پارامتر تمرکز فرآيند ديريکله تعيين کننده ميزان نزديکي نمونه‌ها به توزيع پايه مي‌باشد. بنابراين تعيين مقدار مناسب براي پارامتر تمرکز نقش مهمي در عملکرد مناسب مدل ترکيبي دارد. در اين مقاله پيشنهاد مي‌شود که پارامتر تمرکز فرآيند ديريکله در مدل ترکيبي با يک تابع توزيع احتمال جايگزين شود. بر اين اساس مدلي جديد براي خوشه بندي و تعيين تعداد خوشه ها به طور همزمان ارائه شده و کارايي آن بر روي چندين مجموعه داده استاندارد مورد ارزيابي قرار گرفته است. نتايج حاصل از اين مدل در مقايسه با تعداد زيادي از روش هاي شناخته شده خوشه‌بندي بيانگر کارايي بالاتر روش پيشنهادي مي‌باشد.

فضای جستجو در روش‌های مبتنی بر جستجوی تولید داده آزمون حتی برای برنامه‌های کوچک هم بسیار بزرگ است. در جهت پوشش این مساله، تاکنون تنها یک راهکار، که حذف متغیرهای نامرتبط از فضای جستجو است، ارائه شده است. هدف این مقاله، ارائه روشی به‌منظور دسته‌بندی و کاهش فضای جستجو است تا در نتیجه آن کارایی روش‌های تولیدِ پویای داده آزمون، بهبود یابد. به منظور دسته‌بندی و کاهش فضای جستجو، قصد بر آن است که ارتباطی بین ساختار ایستای برنامه و فضای جستجو برقرار شود. برای دستیابی به این هدف، با استفاده از اطلاعاتی که در مسندهای برنامه وجود دارد، فضای جستجو دسته‌بندی میشود و الگوریتم کلونی مورچگان برای تولید داده آزمون در این فضا اعمال می‌گردد. جهت بکارگیری این الگوریتم با هدف تولید داده آزمون بر مبنای جستجو در فضای مذکور، لازم است که یک نسخه سفارشی شده از الگوریتم کلونی مورچگان ارائه شود که این موضوع نیز در در این مقاله پوشش داده شده است. ارزیابی روش پیشنهادی در مقایسه با تنها کار مرتبط موجود، از جنبه کارایی فرآیند تولید داده آزمون و کارآمدی داده‌های آزمون تولید شده، بر روی چند برنامه نمونه با اندازه قابل قبول، انجام شده است. معیارِ مورد نظر برای ارزیابی این دو جنبه، به ترتیب، میانگینِ زمان تولید مجموعه آزمون و میانگینِ پوششِ انشعاب توسط مجموعه آزمون تولید شده است. نتایج، بهبود قابل توجهی در میانگین پوشش مجموعه آزمون تولید شده و میانگین زمان تولید داده آزمون نسبت به راهکار قبلی را نشان می‌دهد.

دسته‌بندی نیمه نظارتی مبتنی بر منیفلد در سال‌های اخیر مورد توجه بسیاری از پژوهشگران واقع شده است. رویکرد های موجود از فاصله اقلیدسی به صورت محلی برای تقریب فاصله روی منیفلدها و اعمال فرض هموار بودن روی منیفلد استفاده می‌کنند. در فضایی که چند منیفلد با یکدیگر اشتراک دارند این تقریب در نواحی اشتراک صحیح نبوده و باعث انتشار اشتباه برچسب‌ها می‌شود. در این مقاله الگوریتمی برمبنای تفکیک نقاط داخلی منیفلد از سایر نقاط جهت دسته‌بندی نیمه نظارتی روی منیفلدهای متقاطع جهت یادگیری دسته‌بند مبتنی بر اتصالات مطمئن‌تر در گراف ارائه کننده‌ی داده پیشنهاد شده است. تفکیک نقاط داخلی از سایر نقاط بر مبنای رفتار متمایز لاپلاسین تابع هموار روی هر منیفلد در نقاط داخلی نسبت به سایر نقاط صورت می‌گیرد. الگوریتم پیشنهادی وزن یال‌های گراف ارائه کننده‌ی منیفلد را جهت انتشار برچسب اصلاح می‌کند. در مقایسه با رویکردهای دسته‌بندی نیمه نظارتی روی چند منیفلد، رویکرد پیشنهادی فرض مشخص بودن ابعاد ذاتی منیفلدها را نداشته، نیاز به تعداد خیلی زیاد داده‌های بدون برچسب ندارد، همچنین خصوصیات همسایگی مشابه به تمام همسایگی‌ها نسبت نمی‌دهد. آزمایش‌ها روی مجموعه داده‌های مصنوعی و واقعی نشان دهنده‌ی دقت خوب روش پیشنهادی نسبت به روش‌های مشابه است.

محیط ابر این امکان را به فراهم کنندگان سرویس میدهد تا انواع برنامه‌های کاربردی خود را با استفاده از منابعی که به صورت مجازی و اشتراکی در اختیار دارند، در هنگام درخواست کاربران به آنها ارائه دهند. یکی از مهمترین مسائلی که در محیط ابر مطرح میباشد، مسئله زمانبندی برنامه‌های کاربردی، بر روی منابع موجود می باشد؛ به طوری که از یک سو بتواند نیازمندیهای کاربران همانند حداقل شدن زمان اجرا یا هزینه را تامین کرده و از سوی دیگر با استفاده مناسب از منابع، بتواند منافع فراهم کنندگان سرویس را نیز در پی داشته باشد. در این مقاله ما یک روش زمان‌بندی چند هدفه با استفاده از الگوریتم اکتشافی سیاهچاله برای زمان‌بندی جریان کاری در محیط ابر ارائه کرده‌ایم که هم بتواند نیازمندیهای کاربران و هم منافع فراهم‌کنندگان سرویس را در نظر بگیرد. ما روش پیشنهادی خود را با الگوریتمهای SPEA2 و NSGA2 بر اساس پارمترهای زمان تکمیل کار و هزینه و بهره‌وری منابع با استفاده از جریانکاری متعادل و نامتعادل مقایسه کرده‌ایم. نتایج شبیهسازی میدهد که روش ما به میزان 8.5 درصد در فاکتور زمان تکمیل کار و 2.5 درصد در فاکتور هزینه به نسبت الگوریتم SPEA2 و به میزان 2.5 درصد در فاکتور زمان تکمیل کار و 6 درصد در فاکتور هزینه از الگوریتم NSGA2 بهتر می‌باشد.